KR20080076170A - Image filter combination generating method for fingerprint image generation - Google Patents
Image filter combination generating method for fingerprint image generation Download PDFInfo
- Publication number
- KR20080076170A KR20080076170A KR1020070015736A KR20070015736A KR20080076170A KR 20080076170 A KR20080076170 A KR 20080076170A KR 1020070015736 A KR1020070015736 A KR 1020070015736A KR 20070015736 A KR20070015736 A KR 20070015736A KR 20080076170 A KR20080076170 A KR 20080076170A
- Authority
- KR
- South Korea
- Prior art keywords
- image
- fingerprint
- environment
- learning
- filter combination
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 44
- 230000002068 genetic effect Effects 0.000 claims abstract description 19
- 210000000349 chromosome Anatomy 0.000 claims abstract description 16
- 230000035772 mutation Effects 0.000 claims abstract description 13
- 230000006870 function Effects 0.000 claims abstract description 12
- 238000005070 sampling Methods 0.000 claims abstract description 9
- 238000011156 evaluation Methods 0.000 claims description 10
- 238000010276 construction Methods 0.000 abstract description 2
- 238000001914 filtration Methods 0.000 description 6
- 241000220259 Raphanus Species 0.000 description 4
- 235000006140 Raphanus sativus var sativus Nutrition 0.000 description 4
- 230000003628 erosive effect Effects 0.000 description 4
- 108090000623 proteins and genes Proteins 0.000 description 4
- 230000010339 dilation Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 210000004027 cell Anatomy 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000000903 blocking effect Effects 0.000 description 1
- 210000000988 bone and bone Anatomy 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000000873 masking effect Effects 0.000 description 1
- 230000003278 mimic effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/40—Image enhancement or restoration using histogram techniques
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Collating Specific Patterns (AREA)
- Image Input (AREA)
- Image Analysis (AREA)
Abstract
Description
도 1은 일반적인 지문의 특징을 나타낸 실시예.1 is an embodiment showing the characteristics of a typical fingerprint.
도 2는 지문 인증을 위한 특징점 매칭을 나타낸 실시예.2 illustrates an embodiment of feature point matching for fingerprint authentication.
도 3은 종래의 인공 지문 영상 생성 프로그램의 실시예.3 is an embodiment of a conventional artificial fingerprint image generation program.
도 4는 본 발명에 따른 지문 영상 생성을 위한 영상 필터 조합 생성 방법을 나타낸 실시예.4 is an embodiment showing a method of generating an image filter combination for generating a fingerprint image according to the present invention.
도 5는 본 발명에 따른 영상필터에 사용되는 다양한 마스크를 나타낸 실시예.5 is an embodiment showing various masks used in the image filter according to the present invention.
도 6은 지문 영상의 특징점 추출 과정을 나타낸 실시예.6 is a view showing a feature extraction process of a fingerprint image.
본 발명은 지문 인식에 관한 것이며, 더욱 상세히는 지문 인식 시스템의 지문 인식 성능 평가를 위하여 활용되는 지문 DB를 구축할 때 지문 영상 자동 생성을 위하여 사용되는 최적의 영상 필터 조합을 생성하는 방법에 관한 것이다.The present invention relates to fingerprint recognition, and more particularly, to a method for generating an optimal image filter combination used for automatic generation of a fingerprint image when building a fingerprint DB used for evaluating fingerprint recognition performance of a fingerprint recognition system. .
최근 수요가 늘고 있는 자동 지문인식 시스템은 광학식이나 반도체식 등의 센서를 이용하여 지문 영상을 획득하여, 도 1에 나타낸 바와 같이 특이점(Singualarity; 중심점과 삼각주)이나 특징점(Minutiae; 분기점과 끝점)과 같은 지문인식에 필요한 유용한 특징을 추출한 후, 도 2에 나타낸 바와 같이 미리 시스템에 등록되어 있는 사용자 지문정보인 템플릿과 유사도를 측정하여 사용자를 확인한다. 이때, 대규모 사용자가 시스템에 등록되어 있는 경우에는 비교 횟수를 줄이기 위해서 인덱싱이나 분류가 매칭 전에 수행되기도 한다.In recent years, the automatic fingerprint recognition system which is increasing in demand acquires a fingerprint image using a sensor such as an optical or semiconductor type, and as shown in FIG. 1, singularities (center points and deltas) or feature points (Minutiae; branch points and endpoints) and After extracting useful features required for the same fingerprint recognition, as shown in FIG. 2, the user is identified by measuring similarity with the template, which is user fingerprint information registered in advance in the system. In this case, when a large user is registered in the system, indexing or classification may be performed before matching to reduce the number of comparisons.
한편, 이러한 지문인식 시스템이 실제 환경에서 얼마나 잘 동작하는지를 평가하는 지문 인식 성능 평가는 대부분 평가용 지문 DB에 의존적인데, NIST DB나 FVC200(0,2,4,6) 지문 DB 등의 몇몇 지문 DB를 제외하면 지문인식 시스템 개발자들은 보통 자체적으로 수집한 소규모의 지문 DB를 이용하여 시스템을 평가한다.On the other hand, fingerprint recognition performance evaluation, which evaluates how well such a fingerprint recognition system operates in a real environment, is mostly dependent on an evaluation fingerprint DB. Some fingerprint DBs such as NIST DB or FVC200 (0,2,4,6) fingerprint DB are used. Except for this, developers of fingerprint identification systems usually evaluate their systems using a small collection of fingerprint databases.
이러한 지문 인식 성능 평가를 위한 지문 DB를 구축하기 위해서는 매우 많은 노력과 비용이 필요하기 때문에 보통 현실적으로 어렵고, 실제 환경에 대한 시스템의 성능을 정확히 측정하기 위해서는 다양한 환경에서 수집된 지문 영상으로 구성된 지문 DB가 필요한데, 이런 제약들이 지문인식 시스템의 성능평가를 더욱 어렵게 만들고 있다.It is usually difficult to construct a fingerprint DB for evaluating the fingerprint recognition performance. Therefore, in order to accurately measure the performance of a system for a real environment, a fingerprint DB composed of fingerprint images collected in various environments is often used. These constraints make it more difficult to evaluate the performance of a fingerprint recognition system.
최근 지문인식 시스템의 성능을 다각적으로 측정하기 위한 연구가 진행되고 있으며, 연구진들은 다양한 평가 프로토콜이나 DB를 제안하고 있다.Recently, researches are being conducted to measure the performance of the fingerprint recognition system in various ways, and the researchers are proposing various evaluation protocols or databases.
실제로, 적은 비용과 노력을 들여서 지문 DB를 구축하기 위해 인조 지문 영상을 생성하는 연구도 진행되었는데, 카펠리(Cappelli) 등은 설정된 파라미터에 따라 휴리스틱(Heuristic)하게 지문 영상을 생성하는 SFinGe라는 소프트웨어를 개발하여 FVC200(0,2,4,6) 지문 DB로 사용하였다(참고문헌; R. Cappelli, et al., "Synthetic fingerprint-image generation," Proc. 15th Int. Conf. Pattern Recognition, vol. 3, pp. 475-478, 2000.).In fact, research has been conducted to generate an artificial fingerprint image to construct a fingerprint DB at a low cost and effort. Cappelli et al. Has developed a software called SFinGe that generates a fingerprint image heuristically according to a set parameter. It was developed and used as the FVC200 (0,2,4,6) fingerprint DB (Ref. R. Cappelli, et al., "Synthetic fingerprint-image generation," Proc. 15 th Int. Conf. Pattern Recognition, vol. 3, pp. 475-478, 2000.).
참고로, 도 3은 종래의 인공 지문 영상 생성 프로그램(SFinGe라는 소프트웨어)을 구동하여 인공 지문 영상을 생성하는 실시예를 나타내고 있다.For reference, FIG. 3 illustrates an embodiment of generating an artificial fingerprint image by driving a conventional artificial fingerprint image generating program (SFinGe software).
하지만, 도 3에 나타낸 바와 같은 인공 지문 영상 생성 프로그램은 지문 수집에서의 비용과 노력 등의 현실적인 문제를 해결하였지만, 초기에 설정된 변수에 따라서 특징점을 구성하고 지문 영상을 인공적으로 생성하기 때문에, 지문 영상의 현실성이 부족하고 각종 환경적 영향을 받은 지문 영상을 생성하기 어려운 한계, 즉 다른 영역으로의 확장성이 부족하다는 한계가 있다. 또한 생성되는 지문 영상은 초기에 설정하는 변수에 매우 의존적이기 때문에 원하는 유형의 지문 영상을 생성하기 위해서는 변수를 잘 설정해야 하는 어려움을 가지고 있다.However, the artificial fingerprint image generation program as shown in FIG. 3 solves a realistic problem such as cost and effort in fingerprint collection, but since the feature points are configured and the fingerprint image is artificially generated according to the initially set parameters, the fingerprint image is generated. There is a limitation that it is difficult to generate a fingerprint image affected by various realities and environmental impacts, that is, a lack of scalability to other areas. In addition, since the generated fingerprint image is very dependent on the variable to be initially set, it is difficult to set the variable well in order to generate a desired type of fingerprint image.
본 발명은 상기한 바와 같은 종래의 문제점을 해결하기 위한 것으로서, 본 발명의 목적은 모델링하고자 하는 목적 환경에서 실제로 수집한 소량의 지문과 복 수의 영상필터를 포함하도록 선택되는 영상필터 조합을 적용하여 얻어진 지문 영상과의 유사도를 측정하고, 집단 크기, 세대 수, 염색체 길이, 선택율, 교차율, 돌연변이율 등과 같은 변수들이 설정된 상태에서, 선택되는 영상필터 조합에 대하여 적합도 평가와 영상필터 조합의 선택, 교차, 돌연변이를 종료 조건이 만족될 때까지 반복하는 유전자 알고리즘(GA; Genetic Algorithm)을 적용하여 지문 인식 성능 평가용 지문 DB를 구축할 때 상기 목적 환경에 대응하는 지문 영상 자동 생성을 위하여 사용되는 최적의 영상 필터 조합을 생성하는 방법을 제공하는 것이다.The present invention is to solve the conventional problems as described above, the object of the present invention is to apply a combination of the image filter selected to include a plurality of image filters and a plurality of image filters actually collected in the target environment to be modeled Measure the similarity with the obtained fingerprint image, and with the variables such as population size, number of generations, chromosome length, selectivity, crossover rate, mutation rate, etc. set, goodness-of-fit evaluation and selection, crossover, Optimal image used for automatic generation of fingerprint image corresponding to the target environment when constructing fingerprint DB for fingerprint recognition performance evaluation by applying genetic algorithm (GA; Genetic Algorithm) to repeat mutations until the termination condition is satisfied To provide a way to create filter combinations.
상기한 바와 같은 본 발명의 목적을 달성하기 위하여, 본 발명의 실시예에 따른 지문 영상 생성을 위한 영상 필터 조합 생성 방법은, 모델링하고자 하는 목적 환경에서 실제로 특정 샘플링 개수의 지문을 수집하여 환경 DB를 구축하는 과정과; 영상필터 조합 생성을 위한 기준 학습 환경에서 실제로 특정 샘플링 개수의 지문을 수집하여 학습 DB를 구축하는 과정; 영상필터 조합 생성을 위한 복수의 영상필터에 대하여 유전자 알고리즘(GA) 변수와 염색체 집단을 설정하고, 상기 환경 DB의 지문 영상과 상기 학습 DB의 지문 영상의 유사도에 따른 적합도를 평가하기 위한 적합도 함수를 설계하는 초기화 과정; 상기 환경 DB의 지문 영상으로부터 지문 특징을 추출하는 과정; 상기 초기화 과정에서 설정되는 염색체 집단을 영상필터 조합으로 선택하여 상기 학습 DB의 지문 영상을 필터링하고, 필터링된 지문 영상으로부터 지문 특징을 추출하는 과정; 및 상기 초기화 과정에서 설계한 적합도 함수로 상기 환경 DB의 지문 특징과 상기 학습 DB의 지문 특징의 유사도에 따른 적합도 평가와 영상필터 조합의 선택, 교차, 돌연변이를 종료 조건이 만족될 때까지 반복하는 유전자 알고리즘(GA)을 적용하여 지문 인식 성능 평가용 지문 DB를 구축할 때 상기 목적 환경에 대응하는 지문 영상 자동 생성을 위하여 사용되는 최적의 영상 필터 조합을 생성하는 과정;으로 이루어지는 것을 특징으로 한다.In order to achieve the object of the present invention as described above, the image filter combination generation method for generating a fingerprint image according to an embodiment of the present invention, by collecting the fingerprint of a specific sampling number in the target environment to be modeled environment DB Building process; Constructing a learning DB by actually collecting a fingerprint of a specific sampling number in a reference learning environment for generating an image filter combination; Genetic Algorithm (GA) variables and chromosome populations are set for a plurality of image filters for image filter combination generation, and a fitness function for evaluating the fitness according to the similarity between the fingerprint image of the environment DB and the fingerprint image of the learning DB Designing initialization process; Extracting a fingerprint feature from a fingerprint image of the environment DB; Selecting a chromosome group set in the initialization process as a combination of image filters to filter fingerprint images of the learning DB, and extracting fingerprint features from the filtered fingerprint images; And a goodness-of-fit function designed in the initialization process that repeats the fitness evaluation based on the similarity between the fingerprint feature of the environment DB and the fingerprint feature of the learning DB and selection, crossover, and mutation of the image filter combination until the termination condition is satisfied. Generating an optimal image filter combination used for automatically generating a fingerprint image corresponding to the target environment when constructing a fingerprint DB for fingerprint recognition performance evaluation by applying an algorithm (GA).
본 발명의 실시예에 따른 지문 영상 생성을 위한 영상 필터 조합 생성 방법은, 상기 초기화 과정에서는 히스토그램 방식, 마스크 방식, 모폴로지 방식의 복수의 영상필터에 대하여 유전자 알고리즘(GA) 변수와 염색체 집단을 설정하는 것을 특징으로 한다.The image filter combination generation method for generating a fingerprint image according to an embodiment of the present invention, in the initialization process, sets a genetic algorithm (GA) variable and a chromosome group for a plurality of image filters of a histogram method, a mask method, and a morphology method. It is characterized by.
본 발명의 실시예에 따른 지문 영상 생성을 위한 영상 필터 조합 생성 방법에 있어서, 상기 유전자 알고리즘(GA) 변수는 총 영상필터 조합의 개수를 나타내는 집단 크기와, 최적의 영상필터 조합을 획득하기 위하여 설정하는 유전자 알고리즘(GA)의 반복 횟수를 나타내는 세대 수, 각 영상필터 조합에 포함되는 영상필터의 개수를 나타내는 염색체 길이, 각 영상필터 조합의 선택율, 각 영상필터 조합에 포함된 영상필터의 색인을 나타내는 유전자 값의 교차율, 상기 유전자 값의 돌연변이율을 포함하는 것을 특징으로 한다.In the method of generating an image filter combination for fingerprint image generation according to an embodiment of the present invention, the GA algorithm variable is set to obtain a group size indicating the total number of image filter combinations and an optimal image filter combination. The number of generations representing the number of iterations of the genetic algorithm GA, the chromosome length indicating the number of image filters included in each image filter combination, the selectivity of each image filter combination, and the index of the image filter included in each image filter combination. Crossover rate of the gene value, and the mutation rate of the gene value.
본 발명의 실시예에 따른 지문 영상 생성을 위한 영상 필터 조합 생성 방법은, 상기 환경 DB의 지문 영상과 상기 학습 DB의 지문 영상으로부터 각각의 지문 특징을 추출하는 과정에서는 지문 영상에 대한 명암의 평균과 편차, 방향성 대비, 융선 두께와 간격, 특이점, 특징점을 지문 특징으로 추출하는 것을 특징으로 한다.According to an embodiment of the present invention, a method of generating a combination of image filters for generating a fingerprint image includes extracting a fingerprint feature from a fingerprint image of the environment DB and a fingerprint image of the learning DB. Deviation, directional contrast, ridge thickness and spacing, singularity, feature points are characterized by extracting the fingerprint features.
이하, 본 발명의 실시예를 첨부된 도면을 참조하여 더욱 상세하게 설명한다.Hereinafter, with reference to the accompanying drawings an embodiment of the present invention will be described in more detail.
도 4는 본 발명에 따른 지문 영상 생성을 위한 영상 필터 조합 생성 방법을 나타낸 플로차트로서, 유전자 알고리즘(GA)을 기반으로 한다.4 is a flowchart illustrating a method of generating a combination of image filters for generating a fingerprint image according to the present invention, based on a genetic algorithm (GA).
참고로, 유전자 알고리즘(GA)은 1975년 존 홀랜드(John Holland)가 교차, 돌연 변이, 적자생존 등의 자연적 진화 현상을 모방하여 제안한 알고리즘으로, 염색체로 표현되는 해의 집단을 대상으로 탐색을 수행하며 최적화나 기계학습 등에 널리 사용된다. 이 알고리즘에 있어서, 염색체는 주어진 문제를 해결하는 개체(본 발명에서는 영상필터 조합에 해당함)를 의미하는데, 적합도 함수를 통해 얼마나 적절한지를 평가받는다. 이 알고리즘의 기본 동작과정은 집단을 구성하는 모든 개체의 적합도를 평가한 후에 새로운 개체를 생성하기 위해 원하는 해가 발견될 때까지 선택, 교차와 돌연변이 등의 유전자 연산을 반복한다.For reference, genetic algorithm (GA) was proposed by John Holland in 1975 to mimic natural evolutionary phenomena such as crossover, mutation and survival of the fittest. It is widely used for optimization and machine learning. In this algorithm, a chromosome is an entity that solves a given problem (corresponding to a combination of image filters in the present invention), which is evaluated by the fitness function. The basic operation of the algorithm is to evaluate the goodness-of-fit of all individuals in the population, and then repeat the genetic operations such as selection, crossover and mutation until the desired solution is found to create a new individual.
선택 과정에서는 다음 세대의 집단을 생성하기 위해서 현재 집단을 구성하는 개체 중 우수한 개체를 선택하는데, 보통은 개체의 적합도에 따라서 확률적으로 선택하여 높은 적합도를 가지는 개체가 더 많이 다음 세대에 포함되도록 뽑는다.The selection process selects the best individuals from the current population to create the next generation of population. Usually, they are selected probabilistically according to the fitness of the individual, and more individuals with higher fitness are included in the next generation. .
교차 과정에서는 선택된 두 개체의 유전 정보를 일정한 비율로 교환한다. 예를 들면, 개체 a = (1 1 1 1)와 b = (0 0 0 0)가 있을 때, 3번째 위치를 중심으로 하는 1점 교차를 사용하면 a' = (1 1 0 0)와 b' = (0 0 1 1)이 생성된다.In the crossing process, genetic information of two selected individuals is exchanged at a constant rate. For example, if there are entities a = (1 1 1 1) and b = (0 0 0 0), using a one-point intersection centered on the third position a '= (1 1 0 0) and b '= (0 0 1 1) is generated.
돌연변이 과정에서는 해당 개체의 배열에서 임의의 위치를 선택하여 값을 초기화한다. 예를 들면, 개체 a의 4번째 위치에 돌연변이를 적용하면 a' = (1 1 1 0) 을 생성한다.The mutation process initializes the value by selecting an arbitrary position in the array of the subject. For example, applying a mutation to the fourth position of subject a produces a '= (1 1 1 0).
상기한 바와 같은 유전자 알고리즘(GA)을 기반으로 하는 본 발명에 따른 지문 영상 생성을 위한 영상 필터 조합 생성 방법의 구체적인 수행 과정은 다음과 같다.A detailed process of generating an image filter combination generation method for fingerprint image generation according to the present invention based on the genetic algorithm (GA) as described above is as follows.
가장 먼저, 모델링하고자 하는 목적 환경에서 실제로 소량의 특정 샘플링 개수의 지문을 수집하여 환경 DB를 구축하고(S10), 연이어서 영상필터 조합 생성을 위한 기준 학습 환경에서 실제로 소량의 특정 샘플링 개수의 지문을 수집하여 학습 DB를 구축한다(S20).First of all, in a target environment to be modeled, a small amount of a specific sampling number of fingerprints are actually collected to build an environment DB (S10), and subsequently a small amount of a specific sampling number of fingerprints is actually generated in a reference learning environment for generating a combination of image filters. Collect and build a learning DB (S20).
상기 기준 학습 환경은 본 발명에 따라 획득하는 최적화된 영상조합 필터를 적용하여 향후 상기 목적 환경에서 실제로 수집한 지문과 유사한 지문을 자동으로 생성하기 위한 샘플링 지문을 수집하는 환경이다.The reference learning environment is an environment for collecting sampling fingerprints for automatically generating fingerprints similar to the fingerprints actually collected in the target environment in the future by applying an optimized image combination filter acquired according to the present invention.
상기와 같이 환경 DB와 학습 DB가 구축되고 나면(S10,S20), 초기화 과정으로, 영상필터 조합 생성을 위한 복수의 영상필터에 대하여 유전자 알고리즘(GA) 변수와 각각 복수의 영상필터를 포함하는 영상필터 조합을 나타내는 염색체 집단을 설정하고, 상기 환경 DB의 지문 영상과 상기 학습 DB의 지문 영상의 유사도에 따른 적합도를 평가하기 위한 적합도 함수를 설계한다(S30).After the environment DB and the learning DB are constructed as described above (S10 and S20), an initialization process includes an image including a genetic algorithm (GA) variable and a plurality of image filters, respectively, for a plurality of image filters for generating a combination of image filters. A chromosome group representing a filter combination is set, and a fitness function for evaluating the fitness according to the similarity between the fingerprint image of the environment DB and the fingerprint image of the learning DB is designed (S30).
이때, 상기 복수의 영상필터로는 아래의 표 1에 나타낸 실시예와 같이 히스토그램 방식, 마스크 방식, 모폴로지 방식의 복수의 영상필터가 활용된다.In this case, a plurality of image filters of a histogram method, a mask method, and a morphology method may be used as the plurality of image filters as shown in Table 1 below.
상기 표 1은 영상필터 조합을 구성하는데 사용되는 총 70개의 영상필터를 나타내고 있으며, 각각의 영상필터는 필터를 사용하지 않는 경우를 포함하여 0번부터 69번까지의 색인을 가진다.Table 1 shows a total of 70 image filters used to construct an image filter combination, and each image filter has an index from 0 to 69, including the case where no filter is used.
상기 히스토그램 기반 영상 필터링에서, 영상의 히스토그램은 각 명암 값에 대해서 영상에서의 해당 명암의 픽셀 수를 보여주는 그래프이다. 보통 지문 영상은 256개의 다른 명암을 가지는 8 비트 회색 계조(gray scale)로 표현되기 때문에, 히스토그램은 회색 계조들의 픽셀에서의 분포를 보여주는 256개의 숫자로 구성된다.In the histogram-based image filtering, the histogram of the image is a graph showing the number of pixels of the corresponding contrast in the image for each contrast value. Since a fingerprint image is usually represented by an 8-bit gray scale with 256 different shades, the histogram consists of 256 numbers that show the distribution in the pixels of the gray levels.
예컨대, 비율 s (-100≤s≤100)가 주어질 때, 히스토그램 ‘brightness’는 픽셀 p의 값을 다음의 수학식 1과 같이 조정한다.For example, given the ratio s (-100 ≦ s ≦ 100), the histogram 'brightness' adjusts the value of the pixel p as shown in
또한, 비율 s (-100≤s≤100)가 주어질 때, 히스토그램 ‘contrast’는 픽셀 p의 값을 다음의 수학식 2와 같이 조정한다.Also, given the ratio s (-100 ≦ s ≦ 100), the histogram 'contrast' adjusts the value of the pixel p as shown in
‘Contrast stretching’은 명암 분포 범위를 원하는 형태로 조정하여 영상의 대비를 개선한다. 명암 분포의 상한선(a)과 하한선(b)을 설정하고, 현재 영상에서의 가장 높은 값의 명암(c)과 가장 낮은 값(d)을 찾는다. 히스토그램 ‘stretching’은 각 픽셀 p의 값을 다음의 수학식 3과 같이 조정한다.'Contrast stretching' improves the contrast of the image by adjusting the contrast distribution range to the desired shape. The upper limit (a) and the lower limit (b) of the contrast distribution are set, and the highest contrast (c) and the lowest value (d) of the current image are found. The histogram 'stretching' adjusts the value of each pixel p as in
히스토그램 ‘equalization’은 영상이 전체적으로 고른 명암 분포를 가지도록 픽셀의 명암을 조정하는 것으로, 기존 영상의 픽셀의 명암을 고려하여 명암 값이 j인 픽셀은 다음의 수학식 4와 같은 값을 할당한다.The histogram 'equalization' adjusts the contrast of pixels so that the image has an even distribution of contrast. The pixel having the contrast value j is assigned to the following equation (4) in consideration of the contrast of the pixels of the existing image.
상기 마스크 기반 영상 필터링에서, ‘Convolution’의 일종인 ‘Masking’ 기법은 도 5에 나타낸 바와 같은 마스크 유형에 따라 입력 영상의 픽셀 값을 선형 적으로 결합하는 단순한 수리적 연산이다. 보통 영상의 왼쪽 상단에서 오른쪽 하단으로 진행하면서, 각 픽셀의 값은 다음의 수학식 5와 같이 m×n의 마스크와 겹치는 영역에 대해 마스크 값과 영상 값을 곱하고 이들 값을 합하여 계산한다. 마스크 기반의 필터는 마스크의 모양과 셀의 가중치에 따라서 영상을 흐리게 하거나 뚜렷하게 하는 등의 다양한 효과를 만든다. In the mask-based image filtering, the 'Masking' technique, a kind of 'Convolution', is a simple mathematical operation of linearly combining pixel values of an input image according to a mask type as shown in FIG. 5. In general, proceeding from the upper left to the lower right of the image, the value of each pixel is calculated by multiplying the mask value and the image value for the area overlapping with the mask of m × n as shown in
‘Median’ 필터는 마스크 기반의 필터와 같이 주변 셀의 명암값을 고려하지만, 가중치를 곱하여 명암값을 계산하는 것이 아니라 마스크 내의 픽셀들을 명암에 따라 정렬하였을 때 중간 픽셀의 값으로 현재 픽셀의 명암을 결정한다.Like the mask-based filter, the 'Median' filter considers the contrast value of the surrounding cells, but does not calculate the contrast value by multiplying the weight. Instead, it calculates the contrast of the current pixel by the value of the intermediate pixel when the pixels in the mask are aligned according to the contrast. Decide
상기 모폴로지 기반 영상 필터링에서, 모폴로지 연산은 교차(intersection)나 결합(union), 포함(inclusion), 보충(complement) 등의 집합 연산을 사용하여 원본 영상과 구조체(structuring element)를 결합한다. 도 5에서와 같이 구조체의 모양에 따라서 영상에서 다양한 효과를 발생시킨다. 특히 모폴로지 기반 필터의 기본적인 연산자인 ‘dilation’은 서서히 전경의 범위를 넓혀나가며 영상에 있는 구멍을 점점 더 작게 만든다. 반면, 다른 연산자인 ‘erosion’은 전경을 침식해가면서 영상에 있는 구멍을 보다 크게 만든다. ‘Opening’과 ‘closing’은 기본적인 연산자인 ‘dilation’과 ‘erosion’으로부터 파생되었는데, ‘opening’은 전경 영역에 있는 테두리의 픽셀을 서서히 삭제하여 구조체의 모양과 비슷한 영역은 남기고 다른 영역은 지워간다. 반대로 ‘closing’은 전경 영역의 경계를 넓혀나가며 구조체와 비슷한 모양의 배경 영역을 남긴다.In the morphology-based image filtering, the morphology operation combines the original image and the structured element using a set operation such as intersection, union, inclusion, and complement. As shown in FIG. 5, various effects are generated in the image according to the shape of the structure. In particular, 'dilation', the basic operator of morphology-based filters, gradually widens the foreground, making the holes in the image smaller and smaller. The other operator, 'erosion', on the other hand, makes the hole in the image bigger by eroding the foreground. 'Opening' and 'closing' are derived from the basic operators 'dilation' and 'erosion'. 'Opening' gradually deletes the pixels of the border in the foreground area, leaving areas similar to the shape of the structure but deleting other areas. . 'Closing', on the other hand, extends the boundaries of the foreground area, leaving a background area that resembles a structure.
또한, 상기 유전자 알고리즘(GA) 변수는 총 영상필터 조합의 개수를 나타내는 집단 크기와, 최적의 영상필터 조합을 획득하기 위하여 설정하는 유전자 알고리즘(GA)의 반복 횟수를 나타내는 세대 수, 각 영상필터 조합에 포함되는 영상필터의 개수를 나타내는 염색체 길이, 각 영상필터 조합의 선택율, 각 영상필터 조합에 포함된 영상필터의 색인을 나타내는 유전자 값의 교차율, 상기 유전자 값의 돌연변이율을 포함하며, 아래의 표 2에 나타낸 실시예와 같이 설정할 수 있다.In addition, the GA algorithm variable includes a group size indicating the total number of image filter combinations, a number of generations indicating the number of repetitions of the genetic algorithm GA set to obtain an optimal image filter combination, and each image filter combination. The chromosome length indicating the number of image filters included in the image, the selectivity of each image filter combination, the crossover rate of the gene value indicating the index of the image filter included in each image filter combination, and the mutation rate of the gene value are shown in Table 2 below. Can be set as in the embodiment shown in.
상기 표 2에 있어서, 염색체 길이 5, 집단 크기 50, 세대 수 200은 5개의 영상필터를 포함하는 영상필터 조합을 50개로 설정하여 최적의 영상필터 조합을 획득하기 위하여 유전자 알고리즘(GA)을 200번 반복하기 위한 설정 값이다.In Table 2, the
또한, 상기 환경 DB의 지문 영상과 상기 학습 DB의 지문 영상의 유사도에 따른 적합도를 평가하기 위한 적합도 함수는 다음의 수학식 6과 같이 설정된다.In addition, the fitness function for evaluating the fitness according to the similarity between the fingerprint image of the environment DB and the fingerprint image of the learning DB is set as in Equation 6 below.
상기와 같이 초기화 과정이 완료되면(S30), 상기 환경 DB의 지문 영상으로부터 지문 특징을 추출하고(S40), 상기 초기화 과정(S30)에서 설정되는 염색체 집단을 영상필터 조합으로 선택하여 상기 학습 DB의 지문 영상을 필터링하여 필터링된 지문 영상으로부터 지문 특징을 추출한다(S50).When the initialization process is completed as described above (S30), the fingerprint feature is extracted from the fingerprint image of the environment DB (S40), and the chromosome group set in the initialization process (S30) is selected as an image filter combination of the learning DB. The fingerprint image is filtered to extract a fingerprint feature from the filtered fingerprint image (S50).
이때, 상기 환경 DB의 지문 영상과 상기 학습 DB의 지문 영상으로부터 지문 영상에 대한 명암(예컨대, 회색 계조(gray scale))의 평균과 편차, 방향성 대비, 융선 두께와 간격, 특이점, 특징점 등을 추출한다.At this time, the average and deviation of the contrast (eg, gray scale) for the fingerprint image, the directional contrast, the ridge thickness and spacing, the singular point, the feature point, etc. are extracted from the fingerprint image of the environment DB and the fingerprint image of the learning DB. do.
상기 명암의 평균(mean)은 영상 전체의 회색 계조 값을 가리키고, 편차(variance)는 이들 값이 얼마나 고르게 분포하는지를 나타내며, 다음의 수학식 7과 같이 계산된다.The mean of the contrast refers to gray scale values of the entire image, and the variation represents how evenly these values are distributed, and is calculated as in
상기 방향성 대비는 지문을 블록으로 구분하여 이들 사이의 방향성 편차를 계산하여 아래의 수학식 8과 아래의 표 3과 같이 보이는 마스크를 사용하여 각 방향의 중심 C에 대한 편차의 합 Si (i=1,2,3,4)를 계산한다. Smax는 4방향의 편차 중 가장 큰 값이고, Smin은 가장 작은 값이다. Pi는 i번째 방향의 회색 계조 값을 가리키며, Smax와 Smin은 보통 골 픽셀(흰 색)과 융선 픽셀(검은 색)에서 각각 나타난다.The directional contrast is obtained by dividing a fingerprint into blocks and calculating directional deviations therebetween, using the mask shown in Equation 8 below and Table 3 below. Calculate, 2,3,4). Smax is the largest value among the deviations in the four directions, and Smin is the smallest value. Pi denotes the grayscale value in the i-th direction, Smax and Smin usually appear at the bone pixel (white) and ridge pixel (black), respectively.
상기 융선 두께와 간격은 각 블록에서 융선의 방향성에 직교한 방향으로 회색 계조값을 분석하여 얻는다. 영상의 각 블록에서 융선의 두께와 간격을 구한 후 평균값을 취하여 융선 두께와 간격으로 사용한다. 이때, 방향성은 영상의 각 열과 행을 블록화하고 이들 블록의 방향성을 축적하여 획득한다.The ridge thickness and spacing are obtained by analyzing gray gray values in the direction orthogonal to the directionality of the ridges in each block. The thickness and spacing of the ridges in each block of the image are obtained, and then the average value is taken and used as the ridge thickness and spacing. At this time, the directionality is obtained by blocking each column and row of the image and accumulating the directionality of these blocks.
상기 특이점은 방향성을 이용하여 중심점과 삼각주를 계산하는 대표적 방법인 포인케어(Poincare) 지수로 추출한다. 알고리즘에 의해 감지된 특이점 집합을 Sd= {sd1, sd2, ..., sdn}라 하고, 전문가가 지문 영상에서 직접 특이점을 추출한 것을 Se= {se1, se2, ..., sem}라 할 때, N개의 학습 샘플에 대해 다음을 정의하고, 각각의 특이점은 아래의 수학식 9와 같이 계산된다.The singular point is extracted with a Poincare index, which is a representative method for calculating the center point and the delta using the direction. When the singularity set detected by the algorithm is called Sd = {sd1, sd2, ..., sdn} and the expert extracts the singularity directly from the fingerprint image, Se = {se1, se2, ..., sem} For N learning samples, the following is defined, and each singularity is calculated as in
추출 특이점(p): sd와 se가 일정한 영역(24픽셀) 안에 동시에 존재하는 특이점으로 추출 알고리즘으로 찾은 특이점Extraction Singularity (p): Singularity that sd and se exist in a certain area (24 pixels) at the same time.
분실 특이점(a): se에는 존재하지만 sd에는 존재하지 않는 특이점으로 추출 알고리즘으로 찾지 못한 특이점Lost Singularity (a): Singularity that exists in se but does not exist in sd.
의사 특이점(b): sd에는 존재하지만 se에는 존재하지 않는 특이점으로 잘못 추출된 특이점Pseudo singularity (b): A singularity that is incorrectly extracted as a singularity that exists in sd but does not exist in se
상기 특징점은 끝점과 분기점으로 구성되며, 이 특징점을 추출하기 위해, 도 6에 나타낸 실시예와 같이, 먼저 입력 영상으로부터 방향성을 측정하고 전경영역분리와 가보 필터링 등의 전처리를 통해 영상의 품질을 향상시킨 다음, 융선의 세선화를 통해 끝점과 분기점을 감지한다. 알고리즘으로부터 추출한 끝점과 분기점을 각각 Ed={ed1, ed2, ..., edn}와 Bd={bd1, bd2, ..., bdm}라 하고, 전문가가 지문 영상으로부터 직접 뽑은 끝점과 분기점을 각각 Ee={ee1, ee2, ..., eek}와 Be={be1, be2, ..., bel}라 할 때, N개의 학습 샘플로부터 아래의 표 4에서와 같은 값을 정의한다.The feature point is composed of an end point and a branch point, and in order to extract the feature point, first, as in the embodiment shown in FIG. 6, the direction is first measured from the input image, and the image quality is improved through preprocessing such as foreground area separation and gabor filtering. The ridges are then thinned to detect the end and branch points. The endpoints and branch points extracted from the algorithm are Ed = {ed 1 , ed 2 , ..., ed n } and Bd = {bd 1 , bd 2 , ..., bd m }, respectively. When the extracted endpoints and branching points are Ee = {ee 1 , ee 2 , ..., ee k } and Be = {be 1 , be 2 , ..., be l } respectively, Define the values as shown in Table 4.
상기와 같이 환경 DB의 지문 영상과 상기 학습 DB의 지문 영상으로부터 각각의 지문 특징을 추출하고 나면(S40,S50), 상기 초기화 과정(S30)에서 설계한 적합도 함수로 상기 환경 DB의 지문 특징과 상기 학습 DB의 지문 특징의 유사도에 따른 적합도 평가와 영상필터 조합의 선택, 교차, 돌연변이를 종료 조건이 만족될 때까지 반복하는 유전자 알고리즘(GA)을 적용하여 지문 인식 성능 평가용 지문 DB를 구축할 때 상기 목적 환경에 대응하는 지문 영상 자동 생성을 위하여 사용되는 최적의 영상 필터 조합을 생성한다(S60).After extracting each fingerprint feature from the fingerprint image of the environment DB and the fingerprint image of the learning DB as described above (S40 and S50), the fingerprint feature and the fingerprint feature of the environment DB are designed as a fitness function designed in the initialization process (S30). When constructing fingerprint DB for fingerprint recognition performance evaluation by applying genetic algorithm (GA) that repeats the suitability evaluation according to the similarity of fingerprint characteristics of training DB, selection of image filter combination, crossover and mutation until the termination condition is satisfied. In operation S60, an optimal image filter combination used for automatically generating a fingerprint image corresponding to the target environment is generated.
이때, 개체의 적합도, 즉 영상필터 조합의 적합도는 목적 환경으로부터 수집된 지문과 학습 DB의 지문을 영상필터 조합으로 필터링하여 얻어진 지문 영상과의 유사도는 상기 수학식 6과 같이 적합도 함수에 의해 측정된다. 또한, 유전자 알고리즘(GA)은 학습 DB의 지문을 영상필터 조합으로 필터링하여 얻어진 지문 영상이 목적 DB의 지문과 얼마나 유사한지를 측정하여 실제 목적 환경에서 수집된 지문과 유사한 영상을 획득하는 방향으로 진화를 반복한다.In this case, the fitness of the individual, that is, the fitness of the image filter combination, is similar to the fingerprint image obtained by filtering the fingerprint collected from the target environment and the fingerprint of the learning DB by the image filter combination, as measured by the fitness function as shown in Equation 6 above. . In addition, the genetic algorithm (GA) measures evolution of the fingerprint image obtained by filtering the fingerprint of the learning DB with a combination of image filters to obtain an image similar to the fingerprint collected in the actual target environment by measuring how similar the fingerprint image is to the fingerprint of the target DB. Repeat.
이상에서 설명한 본 발명에 따른 지문 영상 생성을 위한 영상 필터 조합 생성 방법은 상기한 실시예에 한정되지 않고, 이하의 특허청구범위에서 청구하는 본 발명의 요지를 벗어남이 없이 본 발명이 속하는 분야에서 통상의 지식을 가진 자라면 누구든지 다양하게 변경하여 실시할 수 있는 범위까지 그 기술적 정신이 있다.The method for generating a combination of image filters for generating a fingerprint image according to the present invention described above is not limited to the above-described embodiments, and is generally in the field to which the present invention belongs without departing from the gist of the present invention as claimed in the following claims. Anyone who has the knowledge of R & D has the technical spirit to the extent that various changes can be made.
이상에서 설명한 바와 같은 본 발명에 의하면 최적의 영상필터 조합을 자동으로 탐색할 수 있으므로 전문가 지식이 많이 필요하지 않으며, 적합도를 수정하여 지문 영상 개선의 기능도 함께 제공할 수 있으며, 특히 본 발명에 의해 생성되는 영상 필터 조합을 지문 인식 성능 평가용 지문 DB 구축용 지문 영상 자동 생성에 적용하면 다양한 환경에서 수집된 지문과 유사한 지문 영상을 자동으로 획득하여 지문수집의 비용과 노력을 줄 일 수 있다.According to the present invention as described above, it is possible to automatically search for the best combination of image filters, do not require a lot of expert knowledge, can also provide a function of improving the fingerprint image by modifying the suitability, in particular by the present invention Applying the generated image filter combination to automatic generation of fingerprint images for fingerprint DB construction for evaluating fingerprint recognition performance can automatically obtain fingerprint images similar to fingerprints collected in various environments, thereby reducing the cost and effort of fingerprint collection.
Claims (3)
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020070015736A KR100858681B1 (en) | 2007-02-15 | 2007-02-15 | Image filter combination generating method for fingerprint image generation |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020070015736A KR100858681B1 (en) | 2007-02-15 | 2007-02-15 | Image filter combination generating method for fingerprint image generation |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20080076170A true KR20080076170A (en) | 2008-08-20 |
| KR100858681B1 KR100858681B1 (en) | 2008-09-17 |
Family
ID=39879476
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020070015736A KR100858681B1 (en) | 2007-02-15 | 2007-02-15 | Image filter combination generating method for fingerprint image generation |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR100858681B1 (en) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20180051367A (en) * | 2016-11-08 | 2018-05-16 | 삼성전자주식회사 | method and device for adjusting an image |
| WO2018088794A3 (en) * | 2016-11-08 | 2018-06-28 | 삼성전자 주식회사 | Method for correcting image by device and device therefor |
| WO2020085694A1 (en) * | 2018-10-23 | 2020-04-30 | 삼성전자 주식회사 | Image-capturing device and method for controlling same |
| WO2022131469A1 (en) * | 2020-12-18 | 2022-06-23 | 서울대학교산학협력단 | Method and device for separating fingerprint from overlapping fingerprint image by using deep learning algorithm |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101094107B1 (en) | 2009-08-18 | 2011-12-15 | 성균관대학교산학협력단 | Apparatus for fingerprint calssification, apparatus to generate markov models for fingerprint classification and methode for fingerprint classification |
| KR102279550B1 (en) | 2017-01-23 | 2021-07-20 | 삼성전자주식회사 | Authentication method and authentication apparatus using synthesized code for iris |
| KR20200070878A (en) | 2018-12-10 | 2020-06-18 | 삼성전자주식회사 | Method and apparatus for preprocessing fingerprint image |
-
2007
- 2007-02-15 KR KR1020070015736A patent/KR100858681B1/en not_active IP Right Cessation
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20180051367A (en) * | 2016-11-08 | 2018-05-16 | 삼성전자주식회사 | method and device for adjusting an image |
| WO2018088794A3 (en) * | 2016-11-08 | 2018-06-28 | 삼성전자 주식회사 | Method for correcting image by device and device therefor |
| US11222413B2 (en) | 2016-11-08 | 2022-01-11 | Samsung Electronics Co., Ltd. | Method for correcting image by device and device therefor |
| KR20220020296A (en) * | 2016-11-08 | 2022-02-18 | 삼성전자주식회사 | method and device for adjusting an image |
| KR20220140673A (en) * | 2016-11-08 | 2022-10-18 | 삼성전자주식회사 | method and device for adjusting an image |
| WO2020085694A1 (en) * | 2018-10-23 | 2020-04-30 | 삼성전자 주식회사 | Image-capturing device and method for controlling same |
| US11699213B2 (en) | 2018-10-23 | 2023-07-11 | Samsung Electronics Co., Ltd. | Image-capturing device and method for controlling same |
| WO2022131469A1 (en) * | 2020-12-18 | 2022-06-23 | 서울대학교산학협력단 | Method and device for separating fingerprint from overlapping fingerprint image by using deep learning algorithm |
Also Published As
| Publication number | Publication date |
|---|---|
| KR100858681B1 (en) | 2008-09-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR100858681B1 (en) | Image filter combination generating method for fingerprint image generation | |
| CN116205919B (en) | Hardware part production quality detection method and system based on artificial intelligence | |
| CN106650737B (en) | Automatic image cutting method | |
| CN110647875A (en) | Method for segmenting and identifying model structure of blood cells and blood cell identification method | |
| CN111524137A (en) | Cell identification counting method and device based on image identification and computer equipment | |
| ES2328440B1 (en) | METHOD FOR IDENTIFYING GUIGNARDIA CITRICARPA. | |
| CN108710893B (en) | Digital image camera source model classification method based on feature fusion | |
| CN109858480A (en) | A kind of digital instrument recognition methods | |
| CN103034838A (en) | Special vehicle instrument type identification and calibration method based on image characteristics | |
| CN111507426A (en) | No-reference image quality grading evaluation method and device based on visual fusion characteristics | |
| CN110021019B (en) | AI-assisted hair thickness distribution analysis method for AGA clinical image | |
| She et al. | Intelligent animal fiber classification with artificial neural networks | |
| CN109815923A (en) | Recognition methods is sorted based on the needle mushroom head of LBP feature and deep learning | |
| CN107146216A (en) | A kind of non-reference picture method for evaluating objective quality based on gradient self-similarity | |
| CN110874835B (en) | Crop leaf disease resistance identification method and system, electronic equipment and storage medium | |
| Marzan et al. | Automated tobacco grading using image processing techniques and a convolutional neural network | |
| CN117764994B (en) | Biliary pancreas imaging system and method based on artificial intelligence | |
| CN113129281B (en) | Wheat stem section parameter detection method based on deep learning | |
| Pushpa et al. | Deep learning model for plant species classification using leaf vein features | |
| CN116543414A (en) | Tongue color classification and tongue redness and purple quantification method based on multi-model fusion | |
| CN112364844B (en) | Data acquisition method and system based on computer vision technology | |
| CN113096079B (en) | Image analysis system and construction method thereof | |
| CN113077002B (en) | Machine olfaction visual sensing data analysis method based on space heterodyne Raman spectrum | |
| CN115082741A (en) | Waste textile classifying method based on image processing | |
| CN111259914B (en) | Hyperspectral extraction method for characteristic information of tea leaves |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A201 | Request for examination | ||
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant | ||
| FPAY | Annual fee payment |
Payment date: 20120719 Year of fee payment: 5 |
|
| FPAY | Annual fee payment |
Payment date: 20130709 Year of fee payment: 6 |
|
| FPAY | Annual fee payment |
Payment date: 20140818 Year of fee payment: 7 |
|
| LAPS | Lapse due to unpaid annual fee |